Télécharger la présentation
1
Valeurs de toutes les différences observables sous H0
Quelques rappels ! ▪ On pose l’hypothèse que Δ* = 0 (hypothèse nulle H0) ▪ Soit DH0 = ensemble de toutes les différences de moyennes observables sous H0 DH0 SDH0 ▪ SDH0 quantifie la variabilité de toutes ces différences de moyennes observables ▪ Plus la précision des 2 moyennes , plus la précision de la différence de ces 2 moyennes , plus SDH0 Valeurs de toutes les différences observables sous H0 * Δ = μ1 – μ2 1
2
Valeurs de toutes les différences observables sous H0
Quelques rappels ! ▪ Soit dα/2 une valeur de différence telle qu’observer une |différence| ≥ dα/2 arrive dans α% des cas lorsque H0 est vraie DH0 α/2% -dα/2 dα/2 Valeurs de toutes les différences observables sous H0 ▪ α fixé (en général, 5%) dα/2 connu (lecture dans les tables de la loi normale) 2
3
Valeurs de toutes les différences observables sous H0
Quelques rappels ! ▪ Soit dα/2 une valeur de différence telle qu’observer une |différence| ≥ dα/2 arrive dans α% des cas lorsque H0 est vraie DH0 dobs α/2% -dα/2 dα/2 Valeurs de toutes les différences observables sous H0 ▪ Si |dobs| < dα/2 On accepte H0 avec un risque d’erreur β inconnu (différence « non significative au seuil α ») 3
4
Valeurs de toutes les différences observables sous H0
Quelques rappels ! ▪ Soit dα/2 une valeur de différence telle qu’observer une |différence| ≥ dα/2 arrive dans α% des cas lorsque H0 est vraie DH0 α/2% α/2% Valeurs de toutes les différences observables sous H0 ▪ Si |dobs| > dα/2 On rejette H0, avec un risque d’erreur α (différence « significative ») dobs -dα/2 dα/2 4
5
Valeurs de toutes les différences observables sous H0
De quoi dépend dα/2 ? ▪ De α (« risque d’erreur de 1ère espèce ») Valeurs de toutes les différences observables sous H0 -d15% d15% 15% DH0 α = 30% dobs ▪ |dobs| > d15% On rejette H0, avec un risque d’erreur 30% 5
6
Valeurs de toutes les différences observables sous H0
De quoi dépend dα/2 ? ▪ De α (« risque d’erreur de 1ère espèce ») DH0 dobs α = 5% 2,5% 2,5% Valeurs de toutes les différences observables sous H0 -d2,5% d2,5% ▪ |dobs| < d2,5% On accepte H0 6
7
Valeurs de toutes les différences observables sous H0
De quoi dépend dα/2 ? ▪ De α (« risque d’erreur de 1ère espèce ») ▪ De SDH0 D’H0 S’DH0 DH0 α = 5% SDH0 2,5% 2,5% -d2,5% Valeurs de toutes les différences observables sous H0 d’2,5% -d’2,5% d2,5% 7
8
Valeurs de toutes les différences observables sous H0
De quoi dépend dα/2 ? ▪ De α (« risque d’erreur de 1ère espèce ») ▪ De SDH0 D’H0 S’DH0 DH0 α = 5% SDH0 dobs ▪ Avec un écart-type SDH0, |dobs| < d2,5% On accepte H0 ▪ Avec un écart-type S’DH0, |dobs| > d’2,5% On rejette H0 au risque d’erreur 5% 2,5% 2,5% -d2,5% Valeurs de toutes les différences observables sous H0 d’2,5% -d’2,5% d2,5% 8
9
Valeurs de toutes les différences observables sous H0
De quoi dépend SDH0 ? ▪ De la variabilité du caractère quantitatif mesuré ▪ De la taille des deux échantillons n1 et n2 D’H0 S’DH0 DH0 α = 5% SDH0 2,5% 2,5% -d2,5% Valeurs de toutes les différences observables sous H0 d’2,5% -d’2,5% d2,5% ▪ SDH0 quand la variabilité du caractère mesuré ▪ SDH0 quand n1 et/ou n2 9
10
Impact sur le rejet ou l’acceptation de H0
A partir de maintenant, on fixe α à 5% ! |dobs| a d’autant plus de chances d’être > d2,5% ( rejet de H0) que… ▪ La variabilité du caractère mesuré est faible (variabilité naturelle + variabilité instrument de mesure) ▪ La taille des deux échantillons n1 et n2 est importante 10
11
Pensez-vous qu’il existe une association réelle entre le port de lunettes de votre meilleur(e) ami(e) et la présence d’arthrose de votre grand-père ? ? 11
12
Dans un échantillon parfaitement tiré au sort de la population, quelles sont les chances (risques) d’observer une association significative entre le port de lunettes et la présence d’arthrose ? ▪ Nulles ▪ Infimes, mais non nulles ▪ Moins de 5% ▪ Pile 5% ▪ On ne peut pas savoir ? 12
13
Impact sur le rejet ou l’acceptation de H0
Si en vrai, H0 est vraie, il y aura toujours 5% de risques de rejeter (à tort, donc) H0, Quelles que soient la variabilité du caractère mesuré et la taille des échantillons !! 13
14
De quoi dépend la puissance statistique ?
▪ De Δ : plus Δ , plus la puissance statistique ▪ De dα/2 : plus dα/2 , plus la puissance statistique DHΔ DH0 Valeurs de toutes les différences observables -dα/2 dα/2 Δ puissance de l’étude 14
15
Puissance statistique de l’étude
En résumé !... Au risque d’erreur α fixé (en général, 5%), S’il existe une réelle différence Δ entre les deux indicateurs comparés, On aura beaucoup plus de chances de le montrer statistiquement (en rejetant H0), que… ▪ La différence réelle (Δ) est grande ▪ La variabilité du caractère mesuré est faible ▪ La taille des échantillons est grande Puissance statistique de l’étude 15
16
Conséquences Pour avoir de grandes chances de montrer une différence significative (rejet de H0) lorsqu’il existe une réelle différence, avec… ▪ Une différence réelle (Δ) faible il va falloir des tailles d’échantillons importantes ▪ Des tailles d’échantillons faibles il faut espérer que la différence réelle soit importante La flamme de l’espoir… 16
17
Critères de mise en place d’une étude
▪ Etre faisable & ne pas coûter plus chère que les budgets ne le permettent ▪ Protocole acceptable d’un point de vue éthique ▪ Avoir de grandes chances de montrer statistiquement une différence que l’on pense réelle Sinon, il ne sert à rien de mettre en place cette étude si on est sûr d’aller « droit dans le mur » ! (Dépenses de temps et d’argent inutiles) 17
18
La taille des échantillons : un choix crucial
▪ Rappel : la puissance statistique d’une étude est élevée lorsque… - La différence réelle (Δ) est grande - La variabilité du caractère mesuré est faible - La taille des échantillons est grande ▪ Par quels moyens la puissance statistique d’une étude ? - la variabilité du caractère mesuré (ici, variabilité de l’instrument de mesure) - la taille des échantillons Mais il ne sert à rien d’avoir une taille d’échantillon trop importante On pourrait faire aussi bien, pour bien moins cher et en bien moins de temps ! Choix d’une taille d’échantillon optimale 18
19
Quantification a priori de la puissance d’une étude
▪ En pratique, mettre en place une étude qui « a de grandes chances de montrer statistiquement une différence réelle » 80% de chances, voire 90% (puissance statistique d’une étude qui va être mise en place) si < 80%, on se dirige vers un mur… ▪ Le nombre de sujets à inclure dans une étude doit être tel que… - Avec une différence réelle a priori égale à Δ - Avec une variabilité du caractère mesuré a priori égale à V On ait 80% de chances de montrer statistiquement cette différence réelle de Δ 19
20
Valeurs à connaître pour les calculs
Pour calculer le nombre de sujets nécessaire, il faut avoir une idée… ▪ De la différence réelle attendue Δ ▪ De la variabilité du caractère quantitatif dans un groupe de référence (σ, écart-type dans l’échantillon, standard deviation) Caractère quantitatif Comparaison de 2 moyennes ▪ Des pourcentages attendus dans chacun des 2 groupes ( Δ attendue) Caractère binaire Comparaison de 2 % En pratique, comment a-t-on cette « idée » ? 20
21
Avoir une idée de l’écart attendu
▪ Par le biais de la revue de la littérature - Des études non comparatives (un seul groupe d’animaux) ont estimé les indicateurs que vous souhaitez tester - Des études comparatives ont estimé une différence qui n’était pas significative et vous souhaitez, vous, obtenir une différence significative 21
22
Avoir une idée de l’écart attendu
▪ Rien dans la littérature raisonnement du « mini pertinent / maxi réaliste » Différence pertinente minimale - Δmini telle que si la différence réelle est < Δmini, ça ne vaut pas le coup de la mettre en évidence statistiquement - Δmini représente l’efficacité pertinente minimale Différence maximale réaliste - Δmaxi telle que si la différence réelle est > Δmaxi, on peut se faire traiter au mieux d’utopiste, au pire d’une personne qui ne connait pas la réalité de terrain - Δmaxi représente l’efficacité maximale qu’il est réaliste d’attendre 22
23
Avoir une idée de l’écart-type
▪ Par le biais de la revue de la littérature ▪ Par la connaissance du « terrain » SI la distribution du caractère quantitatif dans la population suit une loi normale Vinf =- Vsup= + 16% DH0 68% ≈ 2/3 Si on a une idée des valeurs A et B telle qu’il y a 2/3 des individus qui ont une valeur comprise entre A et B (autour de la moyenne), = (B-A)/2 23
24
Calculs – critère de jugement quantitatif
Notations ▪ Soit deux groupes A et B, tels que la taille du groupe B (nB) soit k fois plus grande que la taille du groupe A (nA) : nB = k.nA ▪ Soit un critère de jugement quantitatif dont on veut comparer les moyennes entre les deux groupes A et B ▪ σ = écart-type attendu dans l’un ou l’autre échantillon (on fait toujours l’hypothèse que la variabilité du critère de jugement quantitatif est la même dans les deux groupes) ▪ Δ = différence réelle attendue ▪ α = Risque d’erreur de 1ère espèce (fixé à 5%) ▪ β = Risque d’erreur de 2ème espèce (fixé à 20% si on souhaite une puissance à %, ou fixé à 10% si on souhaite une puissance à 90%) 24
25
Calculs – critère de jugement quantitatif
Formules 25
26
Calculs – critère de jugement binaire
Notations ▪ Soit deux groupes A et B, tels que la taille du groupe B (nB) soit k fois plus grande que la taille du groupe A (nA) : nB = k.nA ▪ Soit un critère de jugement binaire dont on veut comparer les pourcentages de présence* entre les deux groupes A et B ▪ A = pourcentage attendu de présence* du critère de jugement dans le groupe A ▪ B = pourcentage attendu de présence* du critère de jugement dans le groupe B ▪ α = Risque d’erreur de 1ère espèce (fixé à 5%) ▪ β = Risque d’erreur de 2ème espèce (fixé à 20% si on souhaite une puissance à %, ou fixé à 10% si on souhaite une puissance à 90%) * Ou absence 26
27
Calculs – critère de jugement binaire
Formules Avec 27
28
En résumé, beaucoup de calculs…
Mais heureusement, il y a … Internet ! 28
